GPT-6 Astra und die Arbeitswelt: Was wir künftig noch selbst können müssen

Was an Astra für die Arbeit relevant ist

OpenAI beschreibt GPT-6 Astra als sein leistungsfähigstes Modell für anspruchsvolle, zusammenhängende Aufgaben. Die dokumentierten Einsatzfelder reichen von Recherche und Dokumenterstellung bis zu Programmierung und Computerbedienung. Das Modell unterstützt Werkzeuge wie Websuche, Dateisuche und Codeausführung. Sein Kontextfenster umfasst rund 1,05 Millionen Tokens – Texteinheiten, deren Zahl nicht mit einer festen Zahl von Wörtern gleichzusetzen ist. Ein großer Kontext ist allerdings noch kein Nachweis, dass jede relevante Information richtig verstanden und verwendet wird.

Für den Arbeitsalltag ist besonders die Zusammenarbeit über mehrere Schritte interessant. Die Dokumentation beschreibt unter anderem weiterlaufende Arbeit während Werkzeugaufrufen und zusätzliche Anweisungen während einer laufenden Aufgabe. Ein eingerichtetes System kann damit beispielsweise Informationen beschaffen, einen Entwurf erstellen und eine Korrektur berücksichtigen. Welche Aktionen tatsächlich möglich sind, bestimmen auch Anwendung, verbundene Werkzeuge und Berechtigungen. Das Modell selbst besitzt keinen pauschalen Zugang zu den Daten eines Unternehmens.

Diese Eigenschaften machen eine neue Arbeitsteilung vorstellbar: Beschäftigte können größere zusammenhängende Aufträge übergeben. Damit wächst die Bedeutung der Übergabe. Was ist das Ziel? Welche Quelle ist maßgeblich? Welche Entscheidung darf das System vorbereiten, welche auch ausführen? Ein unklarer Auftrag kann sich über viele Schritte zu einem professionell wirkenden Ergebnis entwickeln, das am eigentlichen Bedarf vorbeigeht.

Stand der Modellangaben: 5. September 2026. Dieser Beitrag ist eine quellenbasierte Analyse, kein eigener Leistungstest von GPT-6 Astra. Die folgenden betrieblichen Fälle sind ausdrücklich konstruierte Gedankenexperimente.

Quellen zu diesem Abschnitt: OpenAI: GPT-6 Astra · OpenAI: Modellleitfaden

Ein Beruf besteht aus mehr als seinen automatisierbaren Aufgaben

Eine Controllerin sammelt Daten, berechnet Kennzahlen, erklärt Abweichungen, diskutiert mit dem Vertrieb und trägt eine Empfehlung gegenüber der Geschäftsführung vor. Diese Tätigkeiten hängen zusammen, stellen aber unterschiedliche Anforderungen. Wer eine davon beschleunigt, hat damit noch nicht den gesamten Beruf automatisiert. Umgekehrt kann die Veränderung einiger zentraler Tätigkeiten ausreichen, um Stellenprofile und den Personalbedarf deutlich zu verändern.

Der Aufgabenindex von ILO und NASK aus dem Jahr 2025 ordnet weltweit ungefähr ein Viertel der Beschäftigung Berufen mit irgendeiner generativen KI-Exposition zu. Gemeint sind mögliche technische Berührungspunkte ihrer Aufgaben. Der Wert ist weder eine Entlassungsquote noch eine Wahrscheinlichkeit, dass ein bestimmter Arbeitsplatz verschwindet. Der Index misst auch keine Wirkung von Astra. Er hilft, genauer zu fragen, welche Teile eines Berufs unter welchen Bedingungen verändert werden könnten.

Für Unternehmen ist deshalb eine Aufgabenkarte nützlicher als eine Liste vermeintlich sicherer und unsicherer Berufsbezeichnungen. Bei jeder Tätigkeit stehen vier Fragen: Welches Ergebnis wird gebraucht? Wie lässt sich seine Qualität erkennen? Welche Folgen hätte ein Fehler? Welche Abstimmung mit anderen Menschen gehört dazu? Erst diese Auflösung zeigt, welche Arbeit sich delegieren lässt und welche Voraussetzungen dafür fehlen.

Quellen zu diesem Abschnitt: ILO/NASK: Aufgabenbasierte Exposition

Die Forschung zeigt Fortschritte – mit ungleichen Wirkungen

Eine Feldstudie von Brynjolfsson, Li und Raymond untersuchte die schrittweise Einführung eines KI-Assistenten bei 5.172 Supportkräften. Im Mittel stieg die Zahl erfolgreich gelöster Anliegen pro Stunde um 15 Prozent. Weniger erfahrene Beschäftigte profitierten stärker. Das Ergebnis stammt aus einem konkreten Kundendienstkontext; die Einführung war keine randomisierte Zuweisung. Es ist ein belastbarer Hinweis auf mögliche Unterstützung, keine allgemeine Produktivitätszahl für Wissensarbeit.

Ein präregistriertes Experiment mit 758 BCG-Beratern und GPT-4 macht die Unterschiede zwischen Aufgaben besonders deutlich. Bei geeigneten Wissensaufgaben erledigten die Teilnehmenden mit KI mehr Arbeit und waren im Mittel schneller. Bei einer Strategieaufgabe, die bewusst außerhalb der damaligen Modellfähigkeiten ausgewählt wurde, lagen die KI-Gruppen zusammen rund 19 Prozentpunkte seltener richtig. Diese Gegenaufgabe war nur ein begrenzter Test. Sie zeigt dennoch, weshalb gute Erfahrungen mit Zusammenfassungen keine ausreichende Freigabe für andere Arten von Entscheidungen sind.

Auch die Messung selbst muss mit der Technik Schritt halten. In einer kleinen randomisierten METR-Studie von 2025 brauchten 16 erfahrene Entwickler für 246 Aufgaben in vertrauten Projekten mit den damaligen KI-Werkzeugen im Mittel 19 Prozent länger. Im Februar 2026 berichtete METR über ein Folgeexperiment und erhebliche methodische Probleme: Auswahl der Teilnehmenden und Aufgaben sowie parallele Agentennutzung erschwerten eine verlässliche aktuelle Schätzung. Die neueren Rohdaten deuteten eher auf Beschleunigung, erlaubten aber keine zuverlässige Effektgröße. Die ältere Zahl ist deshalb keine Bilanz des heutigen Programmierens mit KI.

Für Astra folgt daraus keine Prozentprognose. Die Studien schärfen vielmehr den Maßstab: gleiche Aufgabenbedingungen, ein nachvollziehbarer Vergleich und eine Qualitätsprüfung, die nicht bei der ersten plausiblen Antwort endet. Ein neues Modell kann frühere Grenzen verschieben. Welche davon im eigenen Unternehmen tatsächlich fallen, lässt sich nur am konkreten Einsatz prüfen.

Quellen zu diesem Abschnitt: Generative AI at Work · Navigating the Jagged Technological Frontier · METR: Studie 2025 · METR: methodisches Update 2026

Beispiel 1: Der richtige Umsatz und die falsche Geschichte

Nehmen wir ein fiktives Handelsunternehmen. Es verkauft zwei Produktgruppen für jeweils 100 Euro pro Stück. Gruppe A liefert 40 Euro Deckungsbeitrag je Stück, Gruppe B nur 20 Euro. Preise und Stückkosten bleiben im Beispiel unverändert. In der Vorperiode wurden 10.000 Stück A und 8.000 Stück B verkauft; jetzt sind es 8.000 Stück A und 12.000 Stück B.

Ein entsprechender KI-Workflow könnte die Dateien auswerten, Kontrollrechnungen erstellen und einen Bericht entwerfen. Der Satz „Der Umsatz wächst um 11,1 Prozent“ wäre rechnerisch richtig. Eine daraus abgeleitete Erfolgsgeschichte bliebe unvollständig: Der absolute Deckungsbeitrag liegt in beiden Perioden bei 560.000 Euro. Seine Quote sinkt von rund 31,1 auf 28 Prozent. Verkauft wurden anteilig mehr Produkte mit geringerem Stückbeitrag.

Eine Empfehlung, wegen der gesunkenen Quote sofort Einkaufspreise nachzuverhandeln, wäre aus diesen Zahlen nicht begründet. Die Stückkosten haben sich im Beispiel gar nicht verändert. Ebenso wenig folgt automatisch, dass der Vertrieb schlecht gearbeitet hat. Vielleicht gehört der größere B-Anteil zu einem geplanten Markteintritt. Vielleicht war es ein einmaliger Großauftrag. Vielleicht belohnt die Vertriebssteuerung Umsatz stärker als Deckungsbeitrag.

Die Controllerin muss deshalb klären, welche Definitionen gelten und welche Erklärung zu den Entscheidungen des Unternehmens passt. Die fachliche Leistung steckt in der Verbindung von Rechnung, Ursache und Ziel. KI kann diese Untersuchung unterstützen, konkurrierende Erklärungen formulieren und fehlende Informationen benennen. Die Unternehmensziele darf sie dabei nicht stillschweigend selbst setzen.

Das verändert auch die Zusammenarbeit. Der nächste sinnvolle Schritt könnte ein Gespräch mit dem Vertrieb sein, das bisher aus Zeitmangel ausgefallen wäre. Der Wert des schnelleren Berichts läge dann in einer besseren Frage. Falls Definitionen und Ausnahmeregeln später stabil sind, können auch Teile der Prüfung automatisiert werden. Die menschliche Restaufgabe ist keine für immer unveränderliche Zone.

Viermal schnellerer Entwurf bedeutet noch keine vierfache Produktivität

Eine weitere fiktive Rechnung macht die Größenordnung greifbar. Eine Entscheidungsvorlage benötigt bisher 240 Minuten aktive Arbeit. Davon entfallen 120 Minuten auf Materialsammlung und ersten Entwurf. Nehmen wir an, dieser Schritt sinkt mit KI auf 30 Minuten. Zusätzlich entstehen 15 Minuten für die Auftragsvorbereitung; Prüfung und Korrektur steigen von 60 auf 75 Minuten. Rückfragen und Freigabe bleiben gleich.

Insgesamt braucht der Vorgang dann 180 Minuten. Der erste Entwurf ist viermal so schnell fertig, die Gesamtzeit sinkt um 25 Prozent. Bei gleicher verfügbarer Zeit und gleichem Qualitätsniveau wären rechnerisch 33,3 Prozent mehr solcher Vorgänge möglich: 240 geteilt durch 180. Zeitersparnis und zusätzliche Kapazität verwenden unterschiedliche Bezugsgrößen. Einführung und laufende Werkzeugkosten sind in dieser Rechnung noch nicht enthalten.

Das Beispiel beschreibt einen seriellen Ablauf und aktive Arbeitszeit. Kalenderwartezeit ist eine weitere Frage. Wenn die Geschäftsführung nur einmal pro Woche entscheidet, wird eine am Montag statt am Dienstag fertige Vorlage vielleicht trotzdem erst am Freitag freigegeben. Wer das Unternehmen beschleunigen möchte, muss solche Engpässe mitdenken. Die Zeit bis zur ersten Ausgabe ist dafür ein zu enger Maßstab.

Beispiel 2: Eine einfache Rechnung legt die schwierige Frage frei

Eine fiktive Einkaufsleiterin braucht 1.000 identische Bauteile. Lieferant A verlangt 98 Euro pro Stück, Lieferant B 102 Euro. Der Preisvorteil von A beträgt 4.000 Euro. Beide Angebote erfüllen zunächst dieselbe technische Spezifikation. Ein KI-System kann den Vergleich vorbereiten. Eine Rangliste nach Stückpreis beantwortet die wirtschaftliche Entscheidung allerdings nur teilweise.

Setzen wir als Rechenannahme Folgekosten von 200.000 Euro für einen bestimmten längeren Produktionsausfall an. Dann lässt sich eine Entscheidungsschwelle berechnen: Würde A gegenüber B die Wahrscheinlichkeit genau dieses Ausfalls um mehr als zwei Prozentpunkte erhöhen, wäre der zusätzliche erwartete Schaden größer als der Preisvorteil. Die Rechnung lautet 4.000 geteilt durch 200.000 gleich 0,02.

Damit ist keine Ausfallwahrscheinlichkeit bekannt. Das System dürfte nicht „3,7 Prozent“ ergänzen, um den Vergleich vollständig aussehen zu lassen. Benötigt werden Informationen über Lieferhistorie, Kapazität und die tatsächlich zurechenbaren Ausfallursachen. Auch die Höhe des Schadens ist zu prüfen. Erwartungswerte bilden zudem nicht jedes Extremrisiko, jeden Liquiditätsengpass oder jede strategische Abhängigkeit ab.

Eine gute Vorbereitung könnte daher lauten: „Unter diesen Annahmen spricht der Preis für A. Ab dieser zusätzlichen Ausfallwahrscheinlichkeit kehrt sich der Vergleich um. Für die Beurteilung fehlen folgende Informationen.“ Die Einkaufsleiterin bekommt eine präzise Frage, mit der sie den Lieferanten oder die Produktion ansprechen kann. Ungewissheit wird bearbeitbar, ohne sie durch erfundene Genauigkeit zu verdecken.

Hier liegt eine mögliche Veränderung des Arbeitslebens: Eine kleine Abteilung kann anspruchsvollere Analysen vorbereiten und mehr Alternativen untersuchen. Ob sie dadurch bessere Vereinbarungen erreicht, zusätzliche Aufgaben übernimmt oder mit weniger Personal auskommen soll, ist eine betriebliche Entscheidung. Aus einer technischen Möglichkeit folgt kein eindeutiges Organisationsmodell.

Alle Beträge, Wahrscheinlichkeitsannahmen und Abläufe dieses Beispiels sind konstruiert. Der Schwellenwert ist eine Sensitivitätsrechnung, keine Lieferantenbewertung und keine Modellvorhersage.

Menschliche Kontrolle ist selbst ein anspruchsvoller Arbeitsprozess

„Am Ende schaut ein Mensch darüber“ klingt beruhigend. In der Praxis braucht diese Person Zeit, Zugang zu den Ausgangsdaten, fachliches Wissen und die Befugnis, ein Ergebnis zurückzuweisen. Fehlt eine dieser Voraussetzungen, kann Kontrolle zur bloßen Bestätigung eines bereits fertig wirkenden Dokuments werden. Verantwortung auf dem Papier ersetzt keine überprüfbare Arbeitsteilung.

Für einen längeren KI-Auftrag sollten deshalb Ergebnis und Entscheidungsgrenzen gemeinsam festgelegt werden. Ein System kann einen Lieferantenvergleich erstellen, ohne eine Bestellung auslösen zu dürfen. Es kann einen Antwortentwurf vorbereiten, während die Zusage eines Termins bei einer zuständigen Person bleibt. Bei kleinen, gut rückgängig zu machenden Änderungen können eng begrenzte Ausführungsrechte sinnvoll sein. Diese Grenzen richten sich nach Folgen, Prüfbarkeit und betrieblichem Kontext.

Auch Prüfverfahren dürfen sich weiterentwickeln. Eine Summe kann unabhängig nachgerechnet werden. Pflichtfelder lassen sich automatisch kontrollieren. Bei widersprüchlichen Quellen kann eine Eskalation ausgelöst werden. Dadurch konzentriert sich die menschliche Aufmerksamkeit auf Stellen, an denen eine fachliche Abwägung nötig ist. Pauschal jedes Detail manuell zu prüfen wäre ebenso wenig ein fertiges Konzept wie pauschal alles freizugeben.

Besonders nützlich ist eine klare Trennung im Ergebnis: Was stammt aus einer Quelle? Was wurde berechnet? Was ist eine Annahme? Was bleibt offen? Diese Unterscheidung erleichtert nicht nur die Prüfung einer KI-Ausgabe. Sie verbessert auch die Übergabe zwischen Menschen.

KI-Agenten und Arbeitsabläufe im Unternehmen durchdenken →

Beispiel 3: Die Berufsanfängerin liefert schneller – aber lernt sie auch?

Eine neue Recruiterin soll in einem fiktiven internen Trainingsfall einen Interviewleitfaden für eine Projektrolle vorbereiten. In der Anforderung stehen „kommunikationsstark, belastbar, eigenständig“. Ein Modell kann daraus sofort professionell klingende Fragen formulieren. Ungeklärt bleibt zunächst, woran diese Eigenschaften bei der konkreten Arbeit überhaupt zu erkennen wären.

Die Recruiterin lässt sich deshalb einen typischen Konflikt schildern: Zwei Abteilungen streiten über einen Termin, ein Lieferant wartet auf eine Entscheidung und die Projektleitung ist abwesend. Daraus entwickelt sie mit Unterstützung eine Fallübung. Die Fachabteilung prüft, ob sie relevante Fähigkeiten sichtbar macht: Zielkonflikte erkennen, fehlende Informationen benennen, Eskalationsbedarf einschätzen und eine Entscheidung begründen.

Im Übungsgespräch sagt eine fiktive Bewerberin: „Ich habe den Wechsel unseres CRM begleitet.“ Eine glatte Zusammenfassung könnte daraus die Leitung einer unternehmensweiten Transformation machen. Diese Aufwertung wäre unbelegt. Die Recruiterin muss zwischen dem tatsächlich beschriebenen Beitrag, einer Rückfrage nach Verantwortung und einer noch offenen Vermutung unterscheiden können.

Nun sind zwei Lernwege denkbar. Sie lässt sich für jeden Fall eine vollständige Bewertung erzeugen und gewöhnt sich an überzeugende Formulierungen. Oder sie erstellt zuerst selbst eine Evidenzübersicht, lässt sich auf unbelegte Schlussfolgerungen hinweisen und bespricht die Abweichungen mit einer erfahrenen Kollegin. An einem neuen Übungsfall erklärt sie ihre Bewertung ohne fertige KI-Lösung. Erst dieser Transfer zeigt, ob sie selbst sicherer urteilt.

Der zweite Weg kostet anfangs zusätzliche Zeit. Genau darin liegt eine organisatorische Spannung: Wenn nur die kurzfristige Zahl fertiger Dokumente zählt, kann die lernförderliche Variante schlechter aussehen. Ein Unternehmen, das künftig erfahrene Fachleute braucht, muss Lernzeit als Teil der Arbeit einplanen. Der Fall ist ein Gedankenexperiment über Einarbeitung, keine Anleitung zur automatisierten Bewertung realer Bewerber.

Unterstützung kann Lernen ermöglichen oder umgehen

Eine randomisierte Studie mit knapp 1.000 Schülerinnen und Schülern untersuchte GPT-4 beim Mathematiklernen. Ein gewöhnlicher Chat-Zugang verbesserte die Leistungen während der Übung; in anschließenden Prüfungen ohne Hilfsmittel lag diese Gruppe im Mittel 17 Prozent relativ unter der Kontrollgruppe. Ein didaktisch vorbereiteter Tutor-Modus hob den negativen Effekt weitgehend auf. Ein Vorteil in der eigenständigen Prüfungsleistung gegenüber der Kontrollgruppe wurde damit noch nicht nachgewiesen. Das ist ein Befund aus Schulmathematik, keine direkte Untersuchung beruflicher Einarbeitung.

Die Übertragung auf Unternehmen ist daher eine Gestaltungsannahme: Es lohnt sich zu unterscheiden, ob ein Werkzeug einen gedanklichen Schritt sichtbar macht oder ihn für den Lernenden erledigt. „Gib mir die Lösung“ und „Prüfe meine Begründung und stelle mir die nächste hilfreiche Frage“ schaffen unterschiedliche Lerngelegenheiten. Wie gut das im jeweiligen Beruf funktioniert, muss separat geprüft werden.

Ein pauschales Bild vom verlernenden Menschen wäre ebenfalls zu einfach. In der Supportstudie blieben während Werkzeugausfällen Teile der zuvor erzielten Fortschritte erhalten. Das spricht in diesem Kontext für Lernen durch Unterstützung. KI kann Wissen erfahrener Kolleginnen und Kollegen zugänglicher machen und Rückmeldungen ermöglichen, für die im Alltag bisher niemand Zeit hatte.

Für eine Schulung bedeutet das: Ein gutes Dokument ist nur ein Teil des Ergebnisses. Teilnehmende sollten außerdem erklären können, warum es stimmt, welche Unsicherheit übrig bleibt und wann dieselbe Methode ungeeignet wäre. Solche Fähigkeiten werden besonders relevant, wenn der sichtbare Abstand zwischen Anfängerentwurf und Expertenentwurf kleiner wird.

Quellen zu diesem Abschnitt: Bastani et al.: Lernen mit unterschiedlichen KI-Hilfen · Generative AI at Work

ChatGPT-Schulungen mit Prüfkriterien und Transfer planen →

Auch die Grenzen zwischen Fachbereichen können sich verschieben

Ein präregistriertes Feldexperiment bei Procter & Gamble untersuchte in der veröffentlichten Fassung 791 Fachkräfte bei Produktinnovationsaufgaben. Einzelne Personen mit GPT-4 erreichten eine vergleichbare Lösungsqualität wie Zweierteams ohne KI. Die Vorschläge verbanden technische und kommerzielle Perspektiven ausgewogener. Die weitere Auswertung verortet wesentliche Zugewinne bei der Ideenerzeugung; für die Auswahl bleibt menschliche Bewertung wertvoll. Der Versuch war auf einen Arbeitstag konzentriert. Er zeigt keine allgemeine Ersetzbarkeit vollständiger Teams.

Der interessante organisatorische Gedanke reicht dennoch über schnelleres Schreiben hinaus. Eine technische Mitarbeiterin könnte eine erste kommerzielle Betrachtung vorbereiten, ein Vertriebsmitarbeiter eine technische Rückfrage präziser formulieren. Das kann Gespräche über Fachgrenzen hinweg verbessern. Es kann aber auch dazu verleiten, frühe Entwürfe mit umfassender Expertise zu verwechseln.

Ein Unternehmen sollte deshalb beobachten, welche Schnittstellen wirklich entlastet werden und wo lediglich mehr Vorschläge zur Prüfung eintreffen. Mehr Ideen sind wertvoll, wenn die Organisation sie auswählen, verwerfen und umsetzen kann. Wenn jede Abteilung mehr Berichte, Entwürfe und Analysen erstellt, während gemeinsame Entscheidungen unverändert langsam bleiben, wächst vor allem die Menge unerledigter Abstimmung.

Quellen zu diesem Abschnitt: The Cybernetic Teammate, veröffentlichte Fassung 2026

Über Stellen und Arbeitsqualität entscheidet mehr als Modellleistung

Leistungsfähigere Systeme können Personalbedarf verringern. Sie können zugleich Aufgaben wirtschaftlich machen, die bisher gar nicht bearbeitet wurden. Eine Kanzlei könnte mehr Dokumente prüfen, ein Entwicklungsteam mehr Varianten erproben, ein Mittelständler mehr Kundenanfragen individuell beantworten. Ob solche Möglichkeiten zusätzliche Arbeit, kürzere Arbeitszeiten oder geringere Beschäftigung erzeugen, hängt unter anderem von Nachfrage, Wettbewerb und betrieblichen Entscheidungen ab.

Auf Ebene einzelner Menschen ist die Verteilung ebenso wichtig wie der Durchschnitt. Manche gewinnen Gestaltungsspielraum, weil Routinearbeit entfällt. Andere bekommen mehr Fälle zugewiesen oder tragen zusätzliche Prüfverantwortung. Einsteiger können früh anspruchsvolle Beiträge leisten, während klassische Einstiegsaufgaben seltener werden. All das sind plausible Entwicklungen, keine durch die genannten Studien belegte Prognose für Astra.

Zur Einführung gehört deshalb eine offene Vereinbarung über den Umgang mit Zeitgewinnen. Wird zusätzliche Kapazität für Qualität, Lernen, neue Leistungen oder höhere Fallzahlen genutzt? Wer entscheidet das? Können Beschäftigte ungeeignete Aufgaben zurückweisen und Fehler sichtbar machen, ohne dass eine vorsichtige Prüfung als mangelnde Produktivität gilt? Solche Fragen prägen das Arbeitsleben unmittelbar.

Die Sorge vor Stellenverlusten lässt sich weder mit einer pauschalen Entwarnung noch mit einer Prozentzahl aus einem Expositionsindex beantworten. Seriös ist eine konkretere Diskussion: Welche Tätigkeiten ändern sich zuerst, welche Qualifikation wird gebraucht und welche Unterstützung erhalten die betroffenen Menschen?

Wie eine belastbare Erprobung aussehen kann

Ein vierwöchiger Versuch kann als begrenzter Einstieg dienen; er ist keine ausreichende Langzeitstudie über Beschäftigung oder Lernen. Wählen Sie einen wiederkehrenden Ablauf mit fachlich prüfbarem Ergebnis. Vor Beginn wird festgehalten, welche Arbeit das System vorbereiten oder ausführen darf und wann eine zuständige Person übernimmt. Die Erprobung sollte überschaubar genug sein, um Fehler zu verstehen und Änderungen rückgängig zu machen.

Für den Vergleich braucht es ähnliche Fälle und klare Abnahmekriterien. Lassen Sie nach Möglichkeit nicht nur die leichtesten Aufgaben mit KI bearbeiten. Dokumentieren Sie, welche Fälle ausgeschlossen wurden und weshalb. Trennen Sie Personen mit unterschiedlicher Erfahrung. Ein Wechsel des Modells, der Werkzeuge oder des Arbeitsablaufs gehört ins Protokoll; sonst bleibt unklar, was eine Verbesserung erklärt.

Gemessen wird die aktive Gesamtzeit bis zum akzeptierten Ergebnis, einschließlich Vorbereitung und Nacharbeit. Daneben stehen Fehler, Rückfragen, Kalenderdauer und die Erfahrung der Beteiligten. Ein Lernziel braucht zusätzlich einen neuen Fall, an dem die Person ihr eigenes Verständnis zeigt. Die Entscheidung am Ende kann Ausbau, Anpassung oder Beendigung des Versuchs lauten. Auch ein begründet verworfener Anwendungsfall ist ein nützliches Ergebnis.

KI-Strategie und Anwendungsfälle gemeinsam priorisieren →Copilot-Übungen und technische Vorbereitung →

Was wir künftig noch selbst können müssen

Welche einzelnen Fertigkeiten in fünf Jahren unverzichtbar sind, lässt sich aus einer Modellvorstellung nicht ablesen. Ein sinnvoller Ausgangspunkt ist eine Fähigkeit, die sich in allen drei Beispielen zeigt: den Zusammenhang zwischen einer Aussage, ihrer Grundlage und ihrer Konsequenz erklären zu können. Warum ist diese Kennzahl relevant? Welche Information fehlt der Lieferantenentscheidung? Was belegt eine beobachtete Handlung tatsächlich?

Diese Urteilsfähigkeit entsteht durch fachliche Arbeit, Rückmeldung und Erfahrung. KI kann sie erweitern. Sie kann auch verdecken, dass sie noch fehlt. Unternehmen müssen deshalb neben der Delegation von Aufgaben den Aufbau von Können organisieren. Wer nur die schnellere Ausgabe optimiert, riskiert, später mehr Verantwortung an Menschen zu übertragen, die weniger Gelegenheit hatten, sie einzuüben.

GPT-6 Astra eröffnet neue Möglichkeiten für die Ausführung von Arbeit. Die anspruchsvollere Aufgabe beginnt bei ihrer Gestaltung: gute Aufträge formulieren, Ergebnisse nachvollziehbar prüfen, Lerngelegenheiten erhalten und die Folgen gemeinsam verantworten. Ein Unternehmen sollte erklären können, welche Arbeit durch den Einsatz besser wird und woran es diese Verbesserung erkennt. Erst dann wird aus technischer Leistungsfähigkeit eine begründete Veränderung des Arbeitslebens.